用 Media Foundation 把圖片與文字烙印進 MP4 影格的方法

· 更新日期: · · Media Foundation, C++, Windows 開發, GDI+, Direct2D, DirectWrite, H.264

更新紀錄(2 筆,最後更新 2026年09月04日)

本文的修改紀錄。已保存的更新前版本,可透過附有 DOI 的永久連結閱讀。

已將繁體中文版改寫為日文原文的完整翻譯。先前的繁體中文版只譯出日文原文的一部分,遺漏了章節、表格、Mermaid 圖、圖說與 FAQ。本次依日文原文將這些內容全部補回,並新增本文的知識地圖章節。技術主張與日文版一致。 查看更新前的版本 (DOI: 10.5281/zenodo.22279426)
補上了日文原文中已有的諮詢引導(consultation_services)。內文沒有改動。 查看更新前的版本 (DOI: 10.5281/zenodo.21616309)
初次發布
引用本文(DOI: 10.5281/zenodo.21616308)

本文保存於 Zenodo。以下同時提供一律指向最新版本的 DOI,以及固定於您正在閱讀版本的 DOI。

Go Komura(2026)。〈用 Media Foundation 把圖片與文字烙印進 MP4 影格的方法〉。小村軟體有限公司。https://doi.org/10.5281/zenodo.21616308 https://comcomponent.com/zh-TW/blog/2026/03/16/009-media-foundation-overlay-image-text-on-mp4-frames/

DOI(最新版本)
10.5281/zenodo.21616308
DOI(此版本)
10.5281/zenodo.22297146

Logo 浮水印、檢驗結果、設備編號、作業人員姓名、時間戳記。 把這類資訊 烙印到 MP4 影片的所有影格,再產出一支新的 MP4,這種需求在監控、檢驗、佐證資料、分析 UI 裡其實相當常見。

不過真的開始碰 Media Foundation,IMFSourceReader、IMFSample、IMFMediaBuffer、IMFTransform、IMFSinkWriter 一字排開,到底該在哪裡疊上文字或 PNG 反而突然變得很難看清楚。

本文先梳理 Source Reader -> 繪製 -> 色彩轉換 -> Sink Writer 的整體樣貌,接著附上一份 可以直接貼進 Visual Studio 的 C++ 主控台應用程式、單一檔案完結的範例。 範例會讀取指定的 MP4,把指定的圖片與 HelloWorld 畫進每一個影格,然後產出輸出用的 MP4。

另外,這份範例以 先能貼上去就跑起來 為優先,採用 只重新編碼影像 的構成。 把音訊 remux 也塞進同一支程式當然做得到,但本文的主題是「把圖片與文字烙印到每一個影格」,所以先聚焦在這件事上。

這份範例的取捨方式這篇文章的範例以先貼上去就能跑為優先,採用只重新編碼影像的構成,音訊remux則留到主題的烙印跑通之後再擴充的圖。以先貼上去就能跑為優先只重新編碼影像聚焦在每個影格的烙印音訊remux留到之後擴充

圖 1: 第一支程式只保留烙印這個主題跑得通的最小構成。

本文出現的程式碼已經整理成一整套範例(單一檔案完結的 .cpp 與 CMake 的建置設定),公開在 GitHub 上。

media-foundation-overlay-image-text-on-mp4-frames - komurasoft-blog-samples (GitHub)

目標讀者與必要環境

本文寫給 接下來要用 C++ 撰寫 Windows 影片處理的中階開發者。假設讀者碰過 COM 的基本概念(ComPtr、HRESULT、參考計數),而 Media Foundation 則是才要開始的階段。

執行範例所需要的環境如下。細節與輸入資料的條件整理在第 5 章。

項目 前提
OS Windows 10 / 11
開發環境 Visual Studio 2022 的 C++ 主控台應用程式
建置組態 x64
先行編譯標頭檔 這個 .cpp 設定為不使用
輸入影片 一般的 MP4。寬與高必須是偶數(因為 NV12 是 4:2:0)
輸出 只有影像的 MP4。不會附帶音訊

先要掌握的術語

從第 3 章的表開始,會出現沒有解釋的英文。先在這裡一行一行寫清楚。

術語 意思
remux 裡頭的壓縮資料原封不動,只把容器重新做一次。因為不重新編碼,畫質與音質都不會劣化,處理也很輕
topology Media Foundation 用來表示「資料要從哪個元件流到哪個元件」的圖。相當於把來源、轉換、接收端串起來的構成圖
custom MFT 自己撰寫的 Media Foundation Transform。實作 IMFTransform 之後,就能把特效當成元件插進 Media Foundation 的管線
stride 影像一列在記憶體上佔用的位元組數。不一定等於 寬 × 4,列尾有可能留有空白

1. 先說結論

  • 在 MP4 每一個影格上放進圖片或文字,基本形是 用 Source Reader 解碼 -> 在未壓縮影格上合成 -> 必要時做色彩轉換 -> 用 Sink Writer 重新編碼。
  • 把圖片或文字放上去這件事本身不是 Media Foundation 的工作。 這部分交給 GDI+、Direct2D、DirectWrite、WIC 這類繪製 API 來想,會直接了當得多。
  • 要寫回 MP4(H.264),通常會需要一段轉換,把好畫的 RGB32 / ARGB32 與編碼器容易接受的 NV12 / I420 / YUY2 接起來。
  • 想先讓第一支程式跑起來,Source Reader -> RGB32 -> 用 GDI+ 繪製 -> NV12 -> Sink Writer 這個構成最好懂。
  • 想優先考慮速度與擴充性,改走 D3D11 / DXGI surface -> Direct2D / DirectWrite -> Video Processor MFT -> Sink Writer,成長空間會比較大。

圖中實線表示始終成立的關係,虛線表示附帶條件的關係(成立條件寫在詳細頁面中各關係的說明中)。關係的完整清單(共 20 條,附依據與可信度)以及主要概念的定義,彙整在知識地圖詳細頁面(日文)。資料:JSON-LD / Turtle

2. 為什麼這個問題有點麻煩

「在影片裡加文字」實際上混了下面 4 件事。

  1. 容器與編解碼器的事 mp4 是容器,不等於影格本身。裡面通常是 H.264 或 H.265 的壓縮資料。

  2. 解碼 / 編碼的事 維持壓縮狀態的話,一般的 2D 繪製 API 沒辦法直接把文字或 PNG 放上去。必須先還原成未壓縮的影格。

  3. 繪製的事 文字、Logo、PNG 的透明合成、帶反鋸齒的文字繪製,都不是 Media Foundation 本體的職責。這裡是 GDI+ 或 Direct2D / DirectWrite / WIC 的工作。

  4. 色彩空間與像素格式的事 好畫的格式,和編碼器喜歡的格式並不一致。這一點不起眼,卻很容易卡住。

粗略地說一句,與其想成「用 Media Foundation 加文字」,不如想成「用 Media Foundation 讓影格流動,用繪製 API 放上內容,補上必要的色彩轉換之後再編碼」,這樣最好整理。

混在一起的4件事在影片裡加文字這個需求,混雜了容器與編解碼器、解碼與編碼、繪製、色彩空間與像素格式這4件事的圖。在影片裡加文字容器與編解碼器的事解碼與編碼的事繪製的事色彩空間與像素格式的事

圖 2: 卡住的時候,先分辨自己現在是落在哪一件事裡。

3. 先看的整理表

方針 構成 適合的場合 要注意的地方
先正確跑起來 Source Reader -> RGB32 -> 合成 -> NV12 -> Sink Writer 批次處理、公司內部工具、初期實作 CPU 側的複製與轉換容易變多
提高速度 D3D11 / DXGI surface -> Direct2D / DirectWrite -> Video Processor MFT -> Sink Writer 長片、高解析度、大量處理 D3D11 與 DXGI 的管理會變多
做成可重複使用的元件 實作成 custom MFT 再插進 topology 多個應用程式都要用的特效、想併進 MF 管線的場合 實作、註冊、偵錯的難度會提高

本文的範例只鎖定最上面的 「先正確跑起來」構成。

3.1 處理示意

input.mp4IMFSourceReader未壓縮影格RGB32用 GDI+ 繪製圖片 + HelloWorldBGRA -> NV12 轉換IMFSinkWriteroutput.mp4音訊樣本直接複製或重新編碼

圖 3: 用 Source Reader 取出,用 GDI+ 繪製,轉成 NV12 之後再用 Sink Writer 寫回。

這裡重要的是,繪製本身不是 Media Foundation 的工作。 Media Foundation 負責把影格拿進拿出,把圖片與文字放上去則交給繪製 API。

4. 管線要怎麼拆開來想

4.1 輸入用 IMFSourceReader 接收

輸入如果是檔案路徑就用 MFCreateSourceReaderFromURL,如果是記憶體上的影片資料,就建立 IMFByteStream 再用 MFCreateSourceReaderFromByteStream,這樣的構成最好懂。

這裡最先要決定的是,要用好畫的格式接收,還是用適合編碼器的格式接收。

  • 想讓實作簡單就用 RGB32 或 ARGB32
  • 想優先考慮編碼效率就用 NV12 之類的 YUV

不過,文字與 PNG 的合成用 RGB 系來想壓倒性地容易,所以第一手先用 RGB32 / ARGB32 接收會比較輕鬆。

第一手要用哪種格式接收想讓實作簡單就用RGB32或ARGB32,想優先考慮編碼效率就用NV12等YUV,但文字與PNG的合成用RGB系比較好想,所以第一手用RGB系接收比較輕鬆的圖。實作的簡單編碼效率要優先什麼用RGB32 / ARGB32接收用NV12等YUV接收合成用RGB系比較好想

圖 4: 猶豫的時候,先以好畫為優先,從 RGB 系接收開始。

啟用 MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING 之後,Source Reader 會替你做 YUV -> RGB32 的轉換與去交錯。 在「先把影格取出來處理」的階段這很方便,但長片或高解析度影片容易變重,如果正式環境需要速度,之後值得重新檢視構成。

ENABLE_VIDEO_PROCESSING的得失啟用MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING後Source Reader會做YUV到RGB32的轉換與去交錯,但長片或高解析度容易變重,正式環境需要速度時值得重新檢視構成的圖。啟用旗標把YUV到RGB32的轉換交出去去交錯也交出去長片或高解析度容易變重

圖 5: 讓取出變輕鬆的便利旗標,在速度上是有代價的。

4.2 圖片與文字的合成用 GDI+ 或 Direct2D / DirectWrite 來想

從 Media Foundation 收到的 IMFSample 取出緩衝區,在上面放上 Logo 圖片與文字。

這次的範例以 單一檔案完結、容易貼上 為優先,繪製用的是 GDI+。

  • 可以讀取圖片
  • 可以繪製文字
  • 額外準備相對少
  • 容易收進主控台應用程式的一個 .cpp 裡

另一方面,長片或 4K 大量處理的用途下,D3D11 + Direct2D + DirectWrite 的成長空間比較大。 第一版實作用 GDI+,等到要壓低耗時的階段再轉到 Direct2D / DirectWrite,這樣的流程比較自然。

4.3 不見得能維持 RGB32 直接寫成 H.264

這裡是最容易卡住的地方。

要寫回 MP4(H.264) 時,Microsoft 的 H.264 編碼器多半以 I420 / IYUV / NV12 / YUY2 / YV12 等 YUV 系輸入 為前提。 也就是說,在好畫的 RGB32 / ARGB32 上合成完之後,直接丟給 IMFSinkWriter 就結束,不見得成立。

因此實作上會需要下面其中一種轉換。

  • 插入 Video Processor MFT 做 RGB32 / ARGB32 -> NV12
  • 自己實作 RGB -> NV12 轉換

這次的範例以 單一檔案完結 為優先,採用後者的 自行轉換。 正式環境裡,插入能把色彩空間轉換、尺寸變更、去交錯一併處理的 Video Processor MFT,也是很有力的構成。

從RGB接到NV12的兩條路在好畫的RGB32或ARGB32上合成完之後,必須選擇插入Video Processor MFT轉換或自己實作RGB到NV12的轉換,而這份範例為了單一檔案完結選了自行轉換的圖。用RGB系合成完了用Video Processor MFT轉換自己轉換成NV12範例以單一檔案完結為優先正式環境是有力的構成

圖 6: 轉換這一段一定要有,要選的只是把它放在哪一邊。

4.4 輸出用 IMFSinkWriter 寫出

影片輸出用 IMFSinkWriter 比較好處理。

想法很單純,

  • 輸出串流型別 … 想寫進檔案的格式 例:MFVideoFormat_H264
  • 輸入串流型別 … 應用程式交給 Sink Writer 的格式 例:MFVideoFormat_NV12

把這兩者分開設定。

也就是說,從 Sink Writer 的角度看,

  • 應用程式端交出 NV12 的未壓縮影格
  • Sink Writer 把它編碼成 H.264 再寫進 MP4

會是這樣的關係。

Sink Writer輸入輸出型別的分工Sink Writer要把應用程式交出的輸入串流型別設成NV12,把想寫進檔案的輸出串流型別設成H.264,分開設定之後由Sink Writer負責編碼並寫進MP4的圖。應用程式交出NV12影格Sink Writer編碼成H.264寫進MP4輸入型別與輸出型別分開設定

圖 7: 把交出去的格式與寫出來的格式分開設定,是 Sink Writer 的作法。

4.5 音訊一開始分開想比較好整理

只想在影片上加 Logo 或文字,音訊本身完全不想動,這種情況相當多。

實務上,

  • 只有影像 stream 走 Source Reader -> 合成 -> Sink Writer
  • 音訊 stream 維持 compressed 直接 remux

這樣的構成好用。

不過這次的範例為了把焦點對準 把圖片與文字烙印進影格,輸出是只有影像的 MP4。 保留音訊的版本,放到之後擴充的階段再加,比較容易追整體。

影像與音訊分開來想實務上只讓影像串流從Source Reader經過合成流到Sink Writer,音訊串流則維持壓縮直接remux的構成比較好用,而這份範例為了收斂焦點把輸出限定成只有影像的圖。影像串流合成後送到Sink Writer音訊串流維持壓縮直接remux範例不處理

圖 8: 要改的只有影像的話,音訊就不要動,連著容器一起搬。

5. 這份範例的前提與用法

這段程式碼的前提如下。

  • Windows 10 / 11
  • Visual Studio 2022 的 C++ 主控台應用程式
  • x64 建置
  • 這個 .cpp 檔案 不使用先行編譯標頭檔
  • 輸入影片的寬與高是偶數
  • 輸入是一般的 MP4 影片檔
  • 輸出是 只有影像的 MP4
  • 圖片是 PNG / JPEG / BMP / GIF 等 GDI+ 讀得到的格式

NV12 是 4:2:0,所以 寬與高必須是偶數。 因此這份範例在不滿足條件時,會明確地以錯誤中止。

寬與高必須是偶數這個前提NV12是4:2:0的色度次取樣,所以輸入影片的寬與高必須是偶數,這份範例在不滿足條件時會明確地以錯誤停下來的圖。是偶數含有奇數NV12是4:2:0寬與高必須是偶數輸入是偶數嗎繼續處理明確地以錯誤停下來

圖 9: 與其默默地亂掉,不如在入口就擋下不滿足前提的輸入。

5.1 用法

  1. 在 Visual Studio 建立 Console App
  2. 把這個 .cpp 整份貼上
  3. 把那個 .cpp 的 先行編譯標頭檔設成「不使用」
  4. 用 x64 建置
  5. 像下面這樣執行
OverlayMp4.exe input.mp4 overlay.png output.mp4
  • input.mp4 原始影片
  • overlay.png 想疊上去的圖片
  • output.mp4 輸出位置

文字字串固定寫在程式開頭的 kOverlayText,內容是 HelloWorld。 位置與大小也能靠修改程式裡的常數來調整。改成能用命令列引數傳入的做法放在 9.5。

5.2 確認是否正確運作

「沒有出錯就結束了」和「正確烙印上去了」是兩回事。依序看下面 4 點,大部分的失敗都找得出來。

  1. 查看結束時的影格數。 這份範例處理結束後,會在 Done. frames= 後面印出寫入的影格數。如果和輸入影片的總影格數差很多,就是在 ReadSample 的迴圈某處漏掉了
  2. 把輸出檔案的基本資訊和輸入比對。 在檔案總管對輸出的 MP4 按右鍵,開啟內容 > 詳細資料,可以看到長度、畫面格寬度、畫面格高度、畫面播放速率。如果長度和輸入對不上,就要懷疑 timestamp 的處理(7.4)
  3. 開頭、中間、結尾這 3 個地方用眼睛看。 只確認第一個影格就放心,會漏掉中途疊加消失的問題。從輸入與輸出各切出同一時刻的靜態影像並排比對最確實,步驟整理在「用 Media Foundation 從 MP4 的指定時間擷取靜態影像的方法」
  4. 查看顏色有沒有異常。 如果人的膚色或天空變成不自然的顏色,可能是 BgraToNv12 的係數選擇(BT.601 與 BT.709)和輸入不合

第一次嘗試時,建議用 幾秒鐘的短 MP4,加上輪廓清楚的 PNG。用長片去跑第一支程式,釐清原因會花掉很多時間。

確認是否正確運作的步驟沒有出錯就結束和正確烙印上去是兩回事,所以要依序查看影格數的核對、輸出檔案基本資訊的比較、開頭與中間與結尾的目視、顏色異常的確認這4點的圖。把影格數與輸入核對用內容比較長度與尺寸目視開頭・中間・結尾確認顏色是否不自然異常就懷疑係數選擇

圖 10: 沒有出錯和正確是兩回事,用 4 個觀點依序確認。

6. 可以直接貼進 .cpp 的單一檔案完結程式碼

6.1 程式碼地圖

先把地圖放出來。程式碼很長,但實際上該讀的重點只有 CopySampleToTopDownBgra、DrawOverlay、BgraToNv12 這 3 個,加上 wmain 的迴圈。其餘都是初始化與收尾。

函式 / 類別 職責 詳細說明
ScopedMf / ScopedGdiplus 用 RAII 把 MFStartup 與 GDI+ 的初始化和結束成對綁在一起 —
ConfigureSourceReader 把 Source Reader 的輸出設成 RGB32,並取出寬、高、fps 與預設的 frame duration 4.1
GetDefaultStride 從媒體型別求出預設的 stride 7.2
BufferLock 有 IMF2DBuffer 就用它,沒有就用 IMFMediaBuffer 鎖定緩衝區 7.2
CopySampleToTopDownBgra 吸收 stride 與上下方向的差異,正規化成 top-down 的 BGRA 7.2
DrawOverlay 用 GDI+ 繪製圖片與文字。只有這裡是「繪製的一段」 4.2 / 7.1
BgraToNv12 把畫完的 BGRA 轉換成 NV12 4.3 / 7.1
CreateNv12Sample 把 NV12 緩衝區包成 IMFSample,並加上 timestamp 與 duration 7.4
ChooseBitrate 從輸入的資訊決定輸出的位元率 —
CreateSinkWriter 設定輸出側的 H.264 型別,以及我們這邊要交出的 NV12 型別 4.4
wmain 的 while 迴圈 一邊查看 ReadSample 的 HRESULT / flags / sample,一邊逐格處理 7.3 / 7.4

和第 3 章的處理示意並排來看,CopySampleToTopDownBgra 對應「未壓縮影格」,DrawOverlay 對應「用 GDI+ 繪製」,BgraToNv12 對應「BGRA 轉 NV12」。

該讀的3個核心函式長長的程式碼裡實際該讀的核心只有CopySampleToTopDownBgra、DrawOverlay、BgraToNv12這3個加上wmain的迴圈,分別對應未壓縮影格的正規化、繪製、NV12轉換的圖。wmain的迴圈逐格處理CopySampleToTopDownBgraDrawOverlayBgraToNv12正規化成未壓縮影格繪製圖片與文字整理成可供編碼的形式

圖 11: 其餘都是初始化與收尾,核心只有這 3 個函式與迴圈。

6.2 程式碼全文

#define NOMINMAX
#include <windows.h>
#include <mfapi.h>
#include <mfidl.h>
#include <mfreadwrite.h>
#include <mferror.h>
#include <gdiplus.h>
#include <wrl/client.h>

#include <algorithm>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <cwchar>
#include <iostream>
#include <stdexcept>
#include <string>
#include <vector>

#pragma comment(lib, "mfplat.lib")
#pragma comment(lib, "mfreadwrite.lib")
#pragma comment(lib, "mfuuid.lib")
#pragma comment(lib, "mf.lib")
#pragma comment(lib, "gdiplus.lib")

using Microsoft::WRL::ComPtr;

namespace
{
    const wchar_t* kOverlayText = L"HelloWorld";
    const float kMarginRatio = 0.03f;
    const float kImageMaxWidthRatio = 0.20f;
    const float kImageMaxHeightRatio = 0.20f;
    const float kMinFontPx = 24.0f;

    std::string HrToHex(HRESULT hr)
    {
        char buf[32]{};
        std::snprintf(buf, sizeof(buf), "0x%08X", static_cast<unsigned int>(hr));
        return std::string(buf);
    }

    void ThrowIfFailed(HRESULT hr, const char* message)
    {
        if (FAILED(hr))
        {
            throw std::runtime_error(std::string(message) + " failed. HRESULT=" + HrToHex(hr));
        }
    }

    void ThrowIfGdiplusError(Gdiplus::Status status, const char* message)
    {
        if (status != Gdiplus::Ok)
        {
            char buf[128]{};
            std::snprintf(buf, sizeof(buf), "%s failed. GDI+ status=%d", message, static_cast<int>(status));
            throw std::runtime_error(buf);
        }
    }

    BYTE ClampToByte(int value)
    {
        if (value < 0) return 0;
        if (value > 255) return 255;
        return static_cast<BYTE>(value);
    }

    class ScopedGdiplus
    {
    public:
        ScopedGdiplus()
        {
            Gdiplus::GdiplusStartupInput input;
            ThrowIfGdiplusError(Gdiplus::GdiplusStartup(&token_, &input, nullptr), "GdiplusStartup");
        }

        ~ScopedGdiplus()
        {
            if (token_ != 0)
            {
                Gdiplus::GdiplusShutdown(token_);
            }
        }

    private:
        ULONG_PTR token_ = 0;
    };

    class ScopedMf
    {
    public:
        ScopedMf()
        {
            ThrowIfFailed(CoInitializeEx(nullptr, COINIT_MULTITHREADED), "CoInitializeEx");
            comInitialized_ = true;

            ThrowIfFailed(MFStartup(MF_VERSION), "MFStartup");
            mfStarted_ = true;
        }

        ~ScopedMf()
        {
            if (mfStarted_)
            {
                MFShutdown();
            }

            if (comInitialized_)
            {
                CoUninitialize();
            }
        }

    private:
        bool comInitialized_ = false;
        bool mfStarted_ = false;
    };

    class BufferLock
    {
    public:
        explicit BufferLock(IMFMediaBuffer* buffer)
            : buffer_(buffer)
        {
            if (!buffer_)
            {
                throw std::runtime_error("BufferLock received a null buffer.");
            }

            buffer_.As(&buffer2D_);
        }

        HRESULT LockBuffer(LONG defaultStride, DWORD heightInPixels, BYTE** scanline0, LONG* actualStride)
        {
            if (scanline0 == nullptr || actualStride == nullptr)
            {
                return E_POINTER;
            }

            HRESULT hr = S_OK;

            if (buffer2D_)
            {
                hr = buffer2D_->Lock2D(scanline0, actualStride);
            }
            else
            {
                BYTE* data = nullptr;
                hr = buffer_->Lock(&data, nullptr, nullptr);
                if (SUCCEEDED(hr))
                {
                    *actualStride = defaultStride;
                    if (defaultStride < 0)
                    {
                        *scanline0 = data + (static_cast<LONG>(heightInPixels) - 1) * std::abs(defaultStride);
                    }
                    else
                    {
                        *scanline0 = data;
                    }
                }
            }

            locked_ = SUCCEEDED(hr);
            return hr;
        }

        ~BufferLock()
        {
            if (!locked_)
            {
                return;
            }

            if (buffer2D_)
            {
                buffer2D_->Unlock2D();
            }
            else
            {
                buffer_->Unlock();
            }
        }

    private:
        ComPtr<IMFMediaBuffer> buffer_;
        ComPtr<IMF2DBuffer> buffer2D_;
        bool locked_ = false;
    };

    struct VideoFormatInfo
    {
        UINT32 width = 0;
        UINT32 height = 0;
        UINT32 fpsNum = 0;
        UINT32 fpsDen = 0;
        UINT32 parNum = 1;
        UINT32 parDen = 1;
        LONG sourceStride = 0;
        LONGLONG defaultFrameDuration = 0;
        UINT32 bitrate = 0;
    };

    LONG GetDefaultStride(IMFMediaType* type)
    {
        LONG stride = 0;

        HRESULT hr = type->GetUINT32(MF_MT_DEFAULT_STRIDE, reinterpret_cast<UINT32*>(&stride));
        if (SUCCEEDED(hr))
        {
            return stride;
        }

        GUID subtype = GUID_NULL;
        UINT32 width = 0;
        UINT32 height = 0;

        ThrowIfFailed(type->GetGUID(MF_MT_SUBTYPE, &subtype), "GetGUID(MF_MT_SUBTYPE)");
        ThrowIfFailed(MFGetAttributeSize(type, MF_MT_FRAME_SIZE, &width, &height), "MFGetAttributeSize(MF_MT_FRAME_SIZE)");
        ThrowIfFailed(MFGetStrideForBitmapInfoHeader(subtype.Data1, width, &stride), "MFGetStrideForBitmapInfoHeader");
        ThrowIfFailed(type->SetUINT32(MF_MT_DEFAULT_STRIDE, static_cast<UINT32>(stride)), "SetUINT32(MF_MT_DEFAULT_STRIDE)");

        return stride;
    }

    UINT32 ChooseBitrate(IMFMediaType* nativeType, UINT32 width, UINT32 height, UINT32 fpsNum, UINT32 fpsDen)
    {
        UINT32 srcBitrate = 0;
        if (SUCCEEDED(nativeType->GetUINT32(MF_MT_AVG_BITRATE, &srcBitrate)) && srcBitrate > 0)
        {
            return srcBitrate;
        }

        const double fps = static_cast<double>(fpsNum) / static_cast<double>(fpsDen);
        double estimated = static_cast<double>(width) * static_cast<double>(height) * fps * 0.07;

        if (estimated < 1500000.0)
        {
            estimated = 1500000.0;
        }

        if (estimated > 25000000.0)
        {
            estimated = 25000000.0;
        }

        return static_cast<UINT32>(estimated);
    }

    VideoFormatInfo ConfigureSourceReader(IMFSourceReader* reader)
    {
        ThrowIfFailed(reader->SetStreamSelection(MF_SOURCE_READER_ALL_STREAMS, FALSE), "SetStreamSelection(all,false)");
        ThrowIfFailed(reader->SetStreamSelection(MF_SOURCE_READER_FIRST_VIDEO_STREAM, TRUE), "SetStreamSelection(video,true)");

        ComPtr<IMFMediaType> nativeType;
        ThrowIfFailed(reader->GetNativeMediaType(MF_SOURCE_READER_FIRST_VIDEO_STREAM, 0, &nativeType), "GetNativeMediaType(video)");

        ComPtr<IMFMediaType> requestedType;
        ThrowIfFailed(MFCreateMediaType(&requestedType), "MFCreateMediaType(video requested)");
        ThrowIfFailed(requestedType->SetGUID(MF_MT_MAJOR_TYPE, MFMediaType_Video), "SetGUID(video requested major)");
        ThrowIfFailed(requestedType->SetGUID(MF_MT_SUBTYPE, MFVideoFormat_RGB32), "SetGUID(video requested subtype RGB32)");
        ThrowIfFailed(reader->SetCurrentMediaType(MF_SOURCE_READER_FIRST_VIDEO_STREAM, nullptr, requestedType.Get()), "SetCurrentMediaType(video RGB32)");

        ComPtr<IMFMediaType> currentType;
        ThrowIfFailed(reader->GetCurrentMediaType(MF_SOURCE_READER_FIRST_VIDEO_STREAM, &currentType), "GetCurrentMediaType(video)");

        VideoFormatInfo info;
        ThrowIfFailed(MFGetAttributeSize(currentType.Get(), MF_MT_FRAME_SIZE, &info.width, &info.height), "Get video frame size");

        HRESULT hr = MFGetAttributeRatio(currentType.Get(), MF_MT_FRAME_RATE, &info.fpsNum, &info.fpsDen);
        if (FAILED(hr))
        {
            ThrowIfFailed(MFGetAttributeRatio(nativeType.Get(), MF_MT_FRAME_RATE, &info.fpsNum, &info.fpsDen), "Get video frame rate");
        }

        if (info.fpsNum == 0 || info.fpsDen == 0)
        {
            throw std::runtime_error("Video frame rate is zero.");
        }

        hr = MFGetAttributeRatio(currentType.Get(), MF_MT_PIXEL_ASPECT_RATIO, &info.parNum, &info.parDen);
        if (FAILED(hr) || info.parNum == 0 || info.parDen == 0)
        {
            info.parNum = 1;
            info.parDen = 1;
        }

        info.sourceStride = GetDefaultStride(currentType.Get());
        info.defaultFrameDuration = (10000000LL * info.fpsDen) / info.fpsNum;
        if (info.defaultFrameDuration <= 0)
        {
            throw std::runtime_error("Calculated frame duration is invalid.");
        }

        info.bitrate = ChooseBitrate(nativeType.Get(), info.width, info.height, info.fpsNum, info.fpsDen);
        return info;
    }

    ComPtr<IMFSinkWriter> CreateSinkWriter(const std::wstring& outputPath, const VideoFormatInfo& videoInfo, DWORD* streamIndex)
    {
        if (streamIndex == nullptr)
        {
            throw std::runtime_error("streamIndex is null.");
        }

        ComPtr<IMFAttributes> attributes;
        ThrowIfFailed(MFCreateAttributes(&attributes, 1), "MFCreateAttributes(sink)");
        ThrowIfFailed(attributes->SetUINT32(MF_READWRITE_ENABLE_HARDWARE_TRANSFORMS, TRUE), "SetUINT32(MF_READWRITE_ENABLE_HARDWARE_TRANSFORMS)");

        ComPtr<IMFSinkWriter> writer;
        ThrowIfFailed(MFCreateSinkWriterFromURL(outputPath.c_str(), nullptr, attributes.Get(), &writer), "MFCreateSinkWriterFromURL");

        ComPtr<IMFMediaType> outputType;
        ThrowIfFailed(MFCreateMediaType(&outputType), "MFCreateMediaType(video output)");
        ThrowIfFailed(outputType->SetGUID(MF_MT_MAJOR_TYPE, MFMediaType_Video), "SetGUID(output major)");
        ThrowIfFailed(outputType->SetGUID(MF_MT_SUBTYPE, MFVideoFormat_H264), "SetGUID(output subtype H264)");
        ThrowIfFailed(outputType->SetUINT32(MF_MT_AVG_BITRATE, videoInfo.bitrate), "SetUINT32(output bitrate)");
        ThrowIfFailed(outputType->SetUINT32(MF_MT_INTERLACE_MODE, MFVideoInterlace_Progressive), "SetUINT32(output interlace)");
        ThrowIfFailed(MFSetAttributeSize(outputType.Get(), MF_MT_FRAME_SIZE, videoInfo.width, videoInfo.height), "MFSetAttributeSize(output frame size)");
        ThrowIfFailed(MFSetAttributeRatio(outputType.Get(), MF_MT_FRAME_RATE, videoInfo.fpsNum, videoInfo.fpsDen), "MFSetAttributeRatio(output fps)");
        ThrowIfFailed(MFSetAttributeRatio(outputType.Get(), MF_MT_PIXEL_ASPECT_RATIO, videoInfo.parNum, videoInfo.parDen), "MFSetAttributeRatio(output PAR)");
        ThrowIfFailed(writer->AddStream(outputType.Get(), streamIndex), "AddStream(video)");

        ComPtr<IMFMediaType> inputType;
        ThrowIfFailed(MFCreateMediaType(&inputType), "MFCreateMediaType(video input)");
        ThrowIfFailed(inputType->SetGUID(MF_MT_MAJOR_TYPE, MFMediaType_Video), "SetGUID(input major)");
        ThrowIfFailed(inputType->SetGUID(MF_MT_SUBTYPE, MFVideoFormat_NV12), "SetGUID(input subtype NV12)");
        ThrowIfFailed(inputType->SetUINT32(MF_MT_INTERLACE_MODE, MFVideoInterlace_Progressive), "SetUINT32(input interlace)");
        ThrowIfFailed(MFSetAttributeSize(inputType.Get(), MF_MT_FRAME_SIZE, videoInfo.width, videoInfo.height), "MFSetAttributeSize(input frame size)");
        ThrowIfFailed(MFSetAttributeRatio(inputType.Get(), MF_MT_FRAME_RATE, videoInfo.fpsNum, videoInfo.fpsDen), "MFSetAttributeRatio(input fps)");
        ThrowIfFailed(MFSetAttributeRatio(inputType.Get(), MF_MT_PIXEL_ASPECT_RATIO, videoInfo.parNum, videoInfo.parDen), "MFSetAttributeRatio(input PAR)");
        ThrowIfFailed(writer->SetInputMediaType(*streamIndex, inputType.Get(), nullptr), "SetInputMediaType(video)");

        ThrowIfFailed(writer->BeginWriting(), "BeginWriting");
        return writer;
    }

    void CopySampleToTopDownBgra(IMFSample* sample, const VideoFormatInfo& videoInfo, std::vector<BYTE>& bgra)
    {
        ComPtr<IMFMediaBuffer> buffer;
        ThrowIfFailed(sample->ConvertToContiguousBuffer(&buffer), "ConvertToContiguousBuffer");

        BufferLock lock(buffer.Get());

        BYTE* scanline0 = nullptr;
        LONG actualStride = 0;
        ThrowIfFailed(lock.LockBuffer(videoInfo.sourceStride, videoInfo.height, &scanline0, &actualStride), "LockBuffer");

        const size_t dstStride = static_cast<size_t>(videoInfo.width) * 4;
        bgra.resize(dstStride * videoInfo.height);

        for (UINT32 y = 0; y < videoInfo.height; ++y)
        {
            const BYTE* srcRow = scanline0 + static_cast<LONG>(y) * actualStride;
            BYTE* dstRow = bgra.data() + static_cast<size_t>(y) * dstStride;
            std::memcpy(dstRow, srcRow, dstStride);

            for (UINT32 x = 0; x < videoInfo.width; ++x)
            {
                dstRow[static_cast<size_t>(x) * 4 + 3] = 0xFF;
            }
        }
    }

    void DrawOverlay(std::vector<BYTE>& bgra, UINT32 width, UINT32 height, Gdiplus::Image& overlayImage)
    {
        const INT stride = static_cast<INT>(width * 4);

        Gdiplus::Bitmap frameBitmap(
            static_cast<INT>(width),
            static_cast<INT>(height),
            stride,
            PixelFormat32bppPARGB,
            bgra.data());
        ThrowIfGdiplusError(frameBitmap.GetLastStatus(), "Create frame bitmap");

        Gdiplus::Graphics graphics(&frameBitmap);
        ThrowIfGdiplusError(graphics.GetLastStatus(), "Create graphics");

        graphics.SetCompositingMode(Gdiplus::CompositingModeSourceOver);
        graphics.SetCompositingQuality(Gdiplus::CompositingQualityHighQuality);
        graphics.SetInterpolationMode(Gdiplus::InterpolationModeHighQualityBicubic);
        graphics.SetSmoothingMode(Gdiplus::SmoothingModeAntiAlias);
        graphics.SetTextRenderingHint(Gdiplus::TextRenderingHintAntiAliasGridFit);

        const Gdiplus::REAL margin = std::max<Gdiplus::REAL>(16.0f, static_cast<Gdiplus::REAL>(height) * kMarginRatio);
        const Gdiplus::REAL maxImageW = static_cast<Gdiplus::REAL>(width) * kImageMaxWidthRatio;
        const Gdiplus::REAL maxImageH = static_cast<Gdiplus::REAL>(height) * kImageMaxHeightRatio;

        const Gdiplus::REAL srcW = static_cast<Gdiplus::REAL>(overlayImage.GetWidth());
        const Gdiplus::REAL srcH = static_cast<Gdiplus::REAL>(overlayImage.GetHeight());
        if (srcW <= 0.0f || srcH <= 0.0f)
        {
            throw std::runtime_error("Overlay image has invalid size.");
        }

        const Gdiplus::REAL imageScale =
            std::min<Gdiplus::REAL>(1.0f, std::min(maxImageW / srcW, maxImageH / srcH));

        const Gdiplus::REAL drawW = srcW * imageScale;
        const Gdiplus::REAL drawH = srcH * imageScale;

        Gdiplus::RectF imageRect(margin, margin, drawW, drawH);
        Gdiplus::SolidBrush imagePlate(Gdiplus::Color(96, 0, 0, 0));
        graphics.FillRectangle(
            &imagePlate,
            imageRect.X - 8.0f,
            imageRect.Y - 8.0f,
            imageRect.Width + 16.0f,
            imageRect.Height + 16.0f);

        graphics.DrawImage(&overlayImage, imageRect);

        const Gdiplus::REAL fontPx =
            std::max<Gdiplus::REAL>(kMinFontPx, static_cast<Gdiplus::REAL>(height) * 0.06f);

        Gdiplus::Font font(L"Segoe UI", fontPx, Gdiplus::FontStyleBold, Gdiplus::UnitPixel);
        ThrowIfGdiplusError(font.GetLastStatus(), "Create font");

        Gdiplus::StringFormat stringFormat;
        stringFormat.SetAlignment(Gdiplus::StringAlignmentNear);
        stringFormat.SetLineAlignment(Gdiplus::StringAlignmentNear);

        Gdiplus::RectF measureLayout(
            margin,
            static_cast<Gdiplus::REAL>(height) - margin - fontPx * 2.0f,
            static_cast<Gdiplus::REAL>(width) - margin * 2.0f,
            fontPx * 2.0f);

        Gdiplus::RectF measured;
        graphics.MeasureString(kOverlayText, -1, &font, measureLayout, &stringFormat, &measured);

        Gdiplus::RectF textBg(
            measured.X - 12.0f,
            measured.Y - 8.0f,
            measured.Width + 24.0f,
            measured.Height + 16.0f);

        Gdiplus::SolidBrush textPlate(Gdiplus::Color(128, 0, 0, 0));
        graphics.FillRectangle(&textPlate, textBg);

        Gdiplus::SolidBrush shadowBrush(Gdiplus::Color(220, 0, 0, 0));
        Gdiplus::RectF shadowLayout = measureLayout;
        shadowLayout.X += 2.0f;
        shadowLayout.Y += 2.0f;
        graphics.DrawString(kOverlayText, -1, &font, shadowLayout, &stringFormat, &shadowBrush);

        Gdiplus::SolidBrush textBrush(Gdiplus::Color(235, 255, 255, 255));
        graphics.DrawString(kOverlayText, -1, &font, measureLayout, &stringFormat, &textBrush);
    }

    void BgraToNv12(const BYTE* bgra, UINT32 width, UINT32 height, BYTE* nv12)
    {
        const bool useBt709 = (width > 1024 || height > 576);

        const int yR = useBt709 ? 47 : 66;
        const int yG = useBt709 ? 157 : 129;
        const int yB = useBt709 ? 16 : 25;

        const int uR = useBt709 ? -26 : -38;
        const int uG = useBt709 ? -87 : -74;
        const int uB = 112;

        const int vR = 112;
        const int vG = useBt709 ? -102 : -94;
        const int vB = useBt709 ? -10 : -18;

        BYTE* yPlane = nv12;
        BYTE* uvPlane = nv12 + static_cast<size_t>(width) * height;

        const size_t srcStride = static_cast<size_t>(width) * 4;

        for (UINT32 y = 0; y < height; ++y)
        {
            const BYTE* srcRow = bgra + static_cast<size_t>(y) * srcStride;
            BYTE* dstY = yPlane + static_cast<size_t>(y) * width;

            for (UINT32 x = 0; x < width; ++x)
            {
                const BYTE b = srcRow[x * 4 + 0];
                const BYTE g = srcRow[x * 4 + 1];
                const BYTE r = srcRow[x * 4 + 2];

                const int Y = ((yR * r + yG * g + yB * b + 128) >> 8) + 16;
                dstY[x] = ClampToByte(Y);
            }
        }

        for (UINT32 y = 0; y < height; y += 2)
        {
            const BYTE* row0 = bgra + static_cast<size_t>(y) * srcStride;
            const BYTE* row1 = bgra + static_cast<size_t>(y + 1) * srcStride;
            BYTE* dstUV = uvPlane + static_cast<size_t>(y / 2) * width;

            for (UINT32 x = 0; x < width; x += 2)
            {
                int b = 0;
                int g = 0;
                int r = 0;

                for (UINT32 dy = 0; dy < 2; ++dy)
                {
                    const BYTE* row = (dy == 0) ? row0 : row1;
                    for (UINT32 dx = 0; dx < 2; ++dx)
                    {
                        const UINT32 ix = x + dx;
                        b += row[ix * 4 + 0];
                        g += row[ix * 4 + 1];
                        r += row[ix * 4 + 2];
                    }
                }

                b = (b + 2) / 4;
                g = (g + 2) / 4;
                r = (r + 2) / 4;

                const int U = ((uR * r + uG * g + uB * b + 128) >> 8) + 128;
                const int V = ((vR * r + vG * g + vB * b + 128) >> 8) + 128;

                dstUV[x + 0] = ClampToByte(U);
                dstUV[x + 1] = ClampToByte(V);
            }
        }
    }

    ComPtr<IMFSample> CreateNv12Sample(
        const std::vector<BYTE>& bgra,
        const VideoFormatInfo& videoInfo,
        LONGLONG sampleTime,
        LONGLONG sampleDuration)
    {
        const DWORD bufferSize =
            static_cast<DWORD>(videoInfo.width * videoInfo.height * 3 / 2);

        ComPtr<IMFMediaBuffer> buffer;
        ThrowIfFailed(MFCreateMemoryBuffer(bufferSize, &buffer), "MFCreateMemoryBuffer");

        BYTE* dst = nullptr;
        DWORD maxLength = 0;
        DWORD currentLength = 0;
        ThrowIfFailed(buffer->Lock(&dst, &maxLength, &currentLength), "Lock(NV12 buffer)");

        try
        {
            BgraToNv12(bgra.data(), videoInfo.width, videoInfo.height, dst);
        }
        catch (...)
        {
            buffer->Unlock();
            throw;
        }

        ThrowIfFailed(buffer->Unlock(), "Unlock(NV12 buffer)");
        ThrowIfFailed(buffer->SetCurrentLength(bufferSize), "SetCurrentLength(NV12 buffer)");

        ComPtr<IMFSample> sample;
        ThrowIfFailed(MFCreateSample(&sample), "MFCreateSample");
        ThrowIfFailed(sample->AddBuffer(buffer.Get()), "AddBuffer(output sample)");
        ThrowIfFailed(sample->SetSampleTime(sampleTime), "SetSampleTime");
        ThrowIfFailed(sample->SetSampleDuration(sampleDuration), "SetSampleDuration");

        return sample;
    }
}

int wmain(int argc, wchar_t* argv[])
{
    if (argc != 4)
    {
        std::wcerr << L"Usage: OverlayMp4.exe <input.mp4> <overlayImage.png> <output.mp4>" << std::endl;
        return 1;
    }

    const std::wstring inputPath = argv[1];
    const std::wstring imagePath = argv[2];
    const std::wstring outputPath = argv[3];

    try
    {
        if (_wcsicmp(inputPath.c_str(), outputPath.c_str()) == 0)
        {
            throw std::runtime_error("Input and output paths must be different.");
        }

        ScopedMf mf;
        ScopedGdiplus gdiplus;

        ComPtr<IMFAttributes> readerAttributes;
        ThrowIfFailed(MFCreateAttributes(&readerAttributes, 1), "MFCreateAttributes(reader)");
        ThrowIfFailed(
            readerAttributes->SetUINT32(MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING, TRUE),
            "SetUINT32(MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING)");

        ComPtr<IMFSourceReader> reader;
        ThrowIfFailed(
            MFCreateSourceReaderFromURL(inputPath.c_str(), readerAttributes.Get(), &reader),
            "MFCreateSourceReaderFromURL");

        VideoFormatInfo videoInfo = ConfigureSourceReader(reader.Get());

        if ((videoInfo.width % 2) != 0 || (videoInfo.height % 2) != 0)
        {
            throw std::runtime_error(
                "This sample requires even video width and height because NV12 is 4:2:0.");
        }

        Gdiplus::Image overlayImage(imagePath.c_str());
        ThrowIfGdiplusError(overlayImage.GetLastStatus(), "Load overlay image");

        DWORD videoStreamIndex = 0;
        ComPtr<IMFSinkWriter> writer =
            CreateSinkWriter(outputPath, videoInfo, &videoStreamIndex);

        std::vector<BYTE> bgra;
        LONGLONG firstTimestamp = -1;
        unsigned long long frameCount = 0;

        while (true)
        {
            DWORD flags = 0;
            LONGLONG timestamp = 0;
            ComPtr<IMFSample> inputSample;

            ThrowIfFailed(
                reader->ReadSample(
                    MF_SOURCE_READER_FIRST_VIDEO_STREAM,
                    0,
                    nullptr,
                    &flags,
                    &timestamp,
                    &inputSample),
                "ReadSample(video)");

            if ((flags & MF_SOURCE_READERF_CURRENTMEDIATYPECHANGED) != 0)
            {
                throw std::runtime_error("Dynamic video format change is not supported in this sample.");
            }

            if ((flags & MF_SOURCE_READERF_NATIVEMEDIATYPECHANGED) != 0)
            {
                throw std::runtime_error("Native video format change is not supported in this sample.");
            }

            if ((flags & MF_SOURCE_READERF_STREAMTICK) != 0)
            {
                if (firstTimestamp < 0)
                {
                    firstTimestamp = timestamp;
                }

                ThrowIfFailed(
                    writer->SendStreamTick(videoStreamIndex, timestamp - firstTimestamp),
                    "SendStreamTick");
            }

            if (inputSample)
            {
                if (firstTimestamp < 0)
                {
                    firstTimestamp = timestamp;
                }

                LONGLONG duration = 0;
                if (FAILED(inputSample->GetSampleDuration(&duration)) || duration <= 0)
                {
                    duration = videoInfo.defaultFrameDuration;
                }

                CopySampleToTopDownBgra(inputSample.Get(), videoInfo, bgra);
                DrawOverlay(bgra, videoInfo.width, videoInfo.height, overlayImage);

                ComPtr<IMFSample> outputSample =
                    CreateNv12Sample(bgra, videoInfo, timestamp - firstTimestamp, duration);

                ThrowIfFailed(
                    writer->WriteSample(videoStreamIndex, outputSample.Get()),
                    "WriteSample(video)");

                ++frameCount;
            }

            if ((flags & MF_SOURCE_READERF_ENDOFSTREAM) != 0)
            {
                break;
            }
        }

        ThrowIfFailed(writer->Finalize(), "Finalize");

        std::wcout
            << L"Done. frames=" << frameCount
            << L", output=" << outputPath
            << std::endl;

        return 0;
    }
    catch (const std::exception& ex)
    {
        std::cerr << ex.what() << std::endl;
        return 1;
    }
}

7. 讀這份實作時要先掌握的重點

7.1 好畫的格式與編碼器容易接受的格式是兩回事

這份範例採用的流程是,

  • Source Reader 輸出:RGB32
  • 繪製:GDI+
  • Sink Writer 輸入:NV12

理由很單純:要放上文字或 PNG,RGB 系比較好處理;要交給 H.264 編碼,NV12 比較好處理。

讀實作時,把這裡分成 「繪製的一段」與「編碼前整理的一段」 來看,會比較好追。

7.2 先吸收 stride 與上下方向,然後才繪製

影片影格在記憶體上的排列,不一定和看起來的樣子一致。

  • stride 有時和 width * 4 對不上
  • 上下方向有時是反過來的
  • IMF2DBuffer 與 IMFMediaBuffer 的處理方式略有不同

因此這段程式碼先 正規化成 top-down 的 BGRA 緩衝區,然後才繪製。 先把這裡統一好,繪製側的程式碼就能寫得相當直接了當。

繪製前先正規化的理由stride與寬度乘以4對不上、上下方向相反、IMF2DBuffer與IMFMediaBuffer處理方式不同這些浮動,先用正規化成top-down的BGRA緩衝區來吸收,然後才繪製的圖。stride對不上正規化成top-down的BGRA上下方向有時相反緩衝區種類不同處理也不同繪製程式碼變得直接了當

圖 12: 記憶體上的浮動只要在一個地方吸收掉,繪製側就什麼都不必知道。

7.3 ReadSample 不能只看 HRESULT,還要看 flags 與 sample

ReadSample 就算是 S_OK,也可能出現 sample == nullptr。 典型的例子是,

  • MF_SOURCE_READERF_STREAMTICK
  • MF_SOURCE_READERF_ENDOFSTREAM
  • 其他串流事件

這幾種。

因此在迴圈裡必須把 HRESULT、flags、inputSample 三者湊齊一起看。 尤其是漏看 STREAMTICK 與 ENDOFSTREAM,後段的時間軸處理很容易亂掉。

ReadSample要看的3點ReadSample就算是S_OK也可能讓sample變成nullptr,STREAMTICK與ENDOFSTREAM這類串流事件是典型例子,所以迴圈裡要把HRESULT與flags與sample三者湊齊確認的圖。ReadSample傳回確認HRESULT確認flags確認sample是否存在S_OK也可能是nullptr

圖 13: 不要只靠一個傳回值判斷,用 3 點一組來處理一個影格。

7.4 timestamp 與 duration 沿用輸入比較安全

時間戳記的單位是 100ns。 另外 duration 必須另外從 IMFSample 取得。

與其以固定 fps 為前提每次寫死累加,盡量沿用輸入 sample 的 timestamp / duration 比較不容易亂掉。 這份範例也只有在取不到 duration 時,才退回用 fps 計算出來的預設值。

timestamp與duration的處理不要以固定fps為前提寫死累加,而是盡量沿用輸入sample的timestamp與duration,只有在取不到duration時才退回用fps算出來的預設值的圖。取得到取不到從輸入sample取出duration取得到嗎直接沿用使用來自fps的預設值比寫死累加不容易亂掉

圖 14: 時刻不要自己造,從輸入沿用才是基本姿態。

7.5 GDI+ 導入很輕,但長片與高解析度還有下一個階段

GDI+ 相當適合單一檔案完結的範例,但長片或 4K 大量處理的用途下,D3D11 + Direct2D + DirectWrite 有時會比較有利。

  • 先用 GDI+ 把整條流程跑通
  • 之後有需要再換成 Direct2D / DirectWrite
  • 色彩轉換搬到 Video Processor MFT 或 GPU 側

用這種分階段的推進方式,就能在不破壞設計的情況下擴充。

繪製API的分階段推進先用GDI+把整條流程跑通,有需要再換成Direct2D與DirectWrite,色彩轉換則搬到Video Processor MFT或GPU側,這種不破壞設計的分階段推進方式的圖。先用GDI+把整條流程跑通需要時換成Direct2D把色彩轉換搬到MFT或GPU長片與4K大量處理是下一個階段

圖 15: 從導入的輕巧開始,再從需要效能的地方依序替換。

7.6 這份範例只鎖定影像

把音訊也全部塞進同一篇文章,話題的主軸容易散掉。 因此這份範例把焦點對準 把圖片與文字烙印進影像影格,輸出是只有影像的 MP4。

實務上,下一個階段

  • 只有影像走 Source Reader -> 合成 -> Sink Writer
  • 音訊維持 compressed 直接 remux

延伸成這樣的構成比較好處理。

8. 如果「拿到的影片資料」不是檔案而是記憶體上的 MP4 位元組序列

這次的程式碼用的是 MFCreateSourceReaderFromURL,所以輸入是檔案路徑。

不過,如果需求是「想對 API 拿到的 mp4 位元組序列做同樣的事」,想法不會變。 要改的只有入口。

  • 準備 IStream 或自訂的串流
  • 把它當成 IMFByteStream 交給 Source Reader
  • 之後一樣是 RGB32 -> 繪製 -> NV12 -> Sink Writer

也就是說,本質不在 影片資料怎麼持有,而在解碼後的每個影格要怎麼畫上去。

輸入是位元組序列也只改入口輸入是檔案路徑就用MFCreateSourceReaderFromURL,是記憶體上的MP4位元組序列就準備IMFByteStream交給Source Reader,之後從RGB32到繪製、NV12、Sink Writer的流程完全相同的圖。檔案路徑Source Reader記憶體上的位元組序列做成IMFByteStream之後的流程相同

圖 16: 資料的持有方式改變,變的也只有入口這一段。

9. 要在正式環境往下長的話

9.1 加上音訊 remux

第一個擴充方向裡最貼近實務的,是 把音訊原樣保留。 只重新編碼影像,音訊維持 compressed 用同一種格式寫回,這樣的構成能滿足需求,又不會讓實作大幅增加。

Sink Writer 明確支援 把壓縮過的輸入以同一種格式寫到輸出 這個組合,作為不重新編碼的 remux 用途。要加的是下面 3 個地方。

  1. 把音訊串流以壓縮狀態接收。 用 reader->SetStreamSelection(MF_SOURCE_READER_FIRST_AUDIO_STREAM, TRUE) 啟用,再把 GetNativeMediaType 取得的型別原樣交給 SetCurrentMediaType。不想讓它解碼時就指定 native 的型別,這是 Source Reader 側的作法
  2. 在 Sink Writer 把那個型別同時設成輸入與輸出。 對 writer->AddStream(audioType.Get(), &audioStreamIndex) 與 writer->SetInputMediaType(audioStreamIndex, audioType.Get(), nullptr) 交出同一個媒體型別
  3. 把 timestamp 的基準和影像共用。 6.2 的程式碼在影像上使用的 firstTimestamp,音訊樣本也要用同樣的方式扣掉。這裡如果用不同的基準,聲音和畫面就會對不上

ReadSample 的呼叫也要從現在只指定影像的形式,改成使用 MF_SOURCE_READER_ANY_STREAM,再依傳回的 stream index 分流。

另外,除非編碼器有提供,Sink Writer 不會做音訊的重新取樣,也不會做影像的尺寸變更與影格速率轉換。輸入的音訊格式如果 MP4 的接收端無法接受,就不是 remux,而是需要重新編碼。

音訊remux要加的3個地方要把音訊原樣保留,就要加上以壓縮狀態接收音訊串流、在Sink Writer把同一個型別設成輸入與輸出、把timestamp的基準與影像共用這3個地方的圖。以壓縮狀態接收音訊同一型別設成輸入與輸出timestamp基準與影像共用基準分開聲音就會對不上

圖 17: remux 只要加 3 個地方,但別忘了對齊時刻的基準。

9.2 插入 Video Processor MFT

這次的範例為了單一檔案完結,自己實作了 BGRA -> NV12 的轉換,但正式環境裡插入 Video Processor MFT 的構成也相當有力。

用 Video Processor MFT 之後,

  • 色彩空間轉換
  • 尺寸變更
  • 去交錯
  • 影格速率轉換

這些都比較容易一併處理。

9.3 把 GDI+ 換成 Direct2D / DirectWrite

Logo 圖片、字幕、時間戳記這類疊加,用 GDI+ 就夠的場合很多,但要壓效能的話 Direct2D / DirectWrite 比較有利。

尤其是在,

  • 高解析度
  • 長片
  • 大量支數
  • 將來想搬到 GPU 路徑

有這些條件時,使用 D3D11 / DXGI surface 的構成就進入視野了。

9.4 custom MFT 等到變成「想重複使用的影片特效」再考慮

Media Foundation 可以把特效實作成 IMFTransform。 因此如果想在多個應用程式或 pipeline 重複使用同一套疊加處理,custom MFT 是很乾淨的選項。

不過作為第一支程式,

  • 必須滿足 IMFTransform 的契約
  • 輸入輸出媒體型別的管理會變多
  • 註冊與偵錯的難度會提高

所以 先用 Source Reader + 合成 + Sink Writer 正確跑起來,有需要再切出成 MFT,在實務上通常比較好推進。

考慮custom MFT的時機先用Source Reader與合成與Sink Writer正確跑起來,等到想在多個應用程式或管線重複使用同一套疊加處理時,再切出成custom MFT,這個判斷流程的圖。想在多個應用程式用一支就夠用先用現在的構成正確跑起來開始想重複使用了嗎切出成custom MFT維持現在的構成實作・註冊・偵錯的難度會提高

圖 18: 做成元件很乾淨,但等到有需要再做也不遲。

9.5 把字串改成引數,讓它能繪製日文

範例的字串固定寫在 kOverlayText,內容是 HelloWorld。要烙印設備編號或作業人員姓名的用途下,首先會想把這裡改成引數。要繪製日文時,字型也必須換。

要改的有 4 個地方。

1. 在匿名 namespace 加上要使用的字型名稱。 既有的 kOverlayText 留著當預設值。

    const wchar_t* kOverlayText = L"HelloWorld";          // 既有。省略引數時當作預設值使用
    const wchar_t* kFontFamilyName = L"Yu Gothic UI";     // 顯示得出日文的字型
    const wchar_t* kFallbackFontFamilyName = L"Segoe UI"; // 給沒有上面那個字型的環境

2. 讓 DrawOverlay 能接收要繪製的字串。

    void DrawOverlay(
        std::vector<BYTE>& bgra,
        UINT32 width,
        UINT32 height,
        Gdiplus::Image& overlayImage,
        const std::wstring& overlayText)      // 新增

3. 在 DrawOverlay 裡面,把字型的建立與字串的參照換掉。 把原本的 Gdiplus::Font font(L"Segoe UI", ...) 那一行,換成下面這段。

        // 指定的字型如果沒有安裝,就退回預設的字型
        Gdiplus::FontFamily preferred(kFontFamilyName);
        Gdiplus::FontFamily fallback(kFallbackFontFamilyName);
        const Gdiplus::FontFamily& family = preferred.IsAvailable() ? preferred : fallback;
        if (!family.IsAvailable())
        {
            throw std::runtime_error("Neither the preferred nor the fallback font family is installed.");
        }

        Gdiplus::Font font(&family, fontPx, Gdiplus::FontStyleBold, Gdiplus::UnitPixel);
        ThrowIfGdiplusError(font.GetLastStatus(), "Create font");

在此之上,把傳給 MeasureString 與兩次 DrawString 的 kOverlayText,全部換成 overlayText.c_str()。3 個地方都要改,否則只有陰影會留著舊的文字。

4. 在 wmain 接收引數,並交給 DrawOverlay。

    if (argc < 4 || argc > 5)
    {
        std::wcerr
            << L"Usage: OverlayMp4.exe <input.mp4> <overlayImage.png> <output.mp4> [text]"
            << std::endl;
        return 1;
    }

    const std::wstring inputPath = argv[1];
    const std::wstring imagePath = argv[2];
    const std::wstring outputPath = argv[3];
    const std::wstring overlayText = (argc == 5) ? std::wstring(argv[4]) : std::wstring(kOverlayText);

然後,把迴圈裡的呼叫改成下面這樣。

                DrawOverlay(bgra, videoInfo.width, videoInfo.height, overlayImage, overlayText);

處理日文時有 2 個注意事項。

  • 如果要在 .cpp 裡把日文寫成常值,就要把原始檔存成 UTF-8 with BOM,或是在 MSVC 加上 /utf-8 建置。 少了這一步就會出現亂碼。從命令列引數傳入的情況下,wmain 是以 UTF-16 接收,所以不會發生這個問題
  • 字型不一定裝在環境裡。 像上面的程式碼一樣,一定要準備 fallback。字型不存在時無聲無息換成別的字型,之後就很難追出版面對不上的原因
繪製日文所需的變更點把字串改成引數以繪製日文,要變更字型名稱常數的新增、DrawOverlay的引數新增、換成帶fallback的字型建立、wmain接收引數這4個地方,並注意亂碼與字型缺漏的圖。新增字型名稱的常數在DrawOverlay新增引數帶fallback地建立字型在wmain接收引數並傳入沒有的字型就退回預設

圖 19: 變更有 4 個地方,容易出事的只有字型的準備與字元編碼。

10. 總結

用 Media Foundation 把圖片或文字烙印到 MP4 影片的所有影格時,拆成這 4 件事來想,會更容易看清全貌。

  • 取出:IMFSourceReader
  • 繪製:GDI+ 或 Direct2D / DirectWrite
  • 改成編碼器容易接受的形式:NV12 等
  • 寫回:IMFSinkWriter

而如果想要「全部貼進一個 .cpp,就這樣直接跑得起來的範例」,像這次這樣

Source Reader -> RGB32 -> 用 GDI+ 畫上圖片 + HelloWorld -> BGRA to NV12 -> Sink Writer

這個構成相當直接了當。

要在正式環境往下長,照這個順序想比較不會亂掉。

  1. 加上音訊 remux
  2. 把 GDI+ 換成 Direct2D / DirectWrite
  3. 把 NV12 轉換搬到 Video Processor MFT 或 GPU 側
  4. 為長片與高解析度轉向以 D3D11 surface 為基礎的構成
  5. 需要重複使用時切出成 custom MFT

一開始就全部塞滿,COM、stride、色彩空間、surface 管理會一次湧上來。 最初先分段跑通,之後只把需要的地方加強,設計與偵錯都會輕鬆很多。

在正式環境往下長的順序加上音訊remux,把GDI+換成Direct2D與DirectWrite,把NV12轉換搬到Video Processor MFT或GPU側,為長片與高解析度轉向以D3D11 surface為基礎的構成,需要重複使用時切出成custom MFT,照這個順序往下長比較不會亂掉的圖。加上音訊remux把繪製換成Direct2D把轉換搬到MFT或GPU轉向以D3D11 surface為基礎需要時切出成custom MFT

圖 20: 避開一次塞滿,照這個順序一段一段加強。

11. 相關文章

12. 參考資料

共用相同標籤的最新文章。能以相近的主題延伸理解。

與本文相近的主題頁面。以本文為起點,可進一步連到相關服務與其他文章。

本文連結到以下服務頁面,歡迎從最接近的入口查看。

常見問題

整理諮詢這個主題時常見的問題。

用 Media Foundation 把圖片或文字烙印到 MP4 每一個影格的基本流程是什麼?
基本形是「用 Source Reader 解碼 → 在未壓縮影格上合成 → 必要時做色彩轉換 → 用 Sink Writer 重新編碼」。把圖片或文字放上去這件事本身不是 Media Foundation 的工作,而是 GDI+、Direct2D/DirectWrite、WIC 這類繪製 API 的工作。想讓第一支程式先跑起來,Source Reader → RGB32 → 用 GDI+ 繪製 → NV12 → Sink Writer 這個構成最好懂;如果優先考慮速度與擴充性,改用 D3D11/DXGI surface 搭配 Direct2D/DirectWrite 的構成,成長空間會比較大。
可以把 RGB32 的影格直接交給 H.264 編碼嗎?
不一定可以。Microsoft 的 H.264 編碼器多半以 I420/IYUV/NV12/YUY2/YV12 等 YUV 系輸入為前提,因此在好畫的 RGB32/ARGB32 上完成合成之後,通常還會需要一段轉換。做法是插入 Video Processor MFT 把 RGB32 轉成 NV12,或是自己實作 RGB 轉 NV12。另外 NV12 是 4:2:0,所以影格的寬與高必須是偶數。
疊加的繪製應該用 GDI+ 還是 Direct2D?
第一版實作時,能讀取圖片、能繪製文字而且額外準備較少的 GDI+ 很適合單一檔案完結的範例。另一方面,長片、4K、大量處理的用途下,D3D11 + Direct2D + DirectWrite 在效能上比較有利。先用 GDI+ 把整條流程跑通,等到要壓低耗時的階段再換成 Direct2D/DirectWrite,並把色彩轉換搬到 Video Processor MFT 或 GPU 側,這種分階段的推進方式不會破壞設計,也比較容易擴充。
使用 IMFSourceReader 的 ReadSample 時要注意什麼?
ReadSample 就算傳回 S_OK,sample 也可能是 nullptr。典型的例子是 MF_SOURCE_READERF_STREAMTICK、MF_SOURCE_READERF_ENDOFSTREAM 這類串流事件。因此在迴圈裡必須把 HRESULT、flags、sample 三者湊齊一起檢查。另外時間戳記的單位是 100ns,duration 與其以固定 fps 為前提每次寫死累加,不如盡量沿用輸入 sample 的 timestamp 與 duration,比較不容易亂掉。

作者檔案

本文作者的個人檔案頁面。

Go Komura

小村軟體有限公司 代表

以 Windows 軟體開發、技術諮詢與故障調查為中心,在難以重現的故障調查與既有資產仍在運作的專案上具有優勢。

回到部落格一覽